改进模糊划分的FCM聚类算法的一般化研究

被引：48

作者：

朱林 ^{[1
,2
]}

王士同 ^{[1
]}

邓赵红 ^{[1
]}

机构：

[1] 江南大学信息工程学院

[2] 上海交通大学图像处理与模式识别研究所

来源：

计算机研究与发展 | 2009年 / 46卷 / 05期

关键词：

聚类算法; 竞争学习; 模糊划分; Voronoi距离; 纹理图像分割;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

聚类分析是无监督模式识别中的一种重要方法,已广泛应用于数据挖掘、图像处理、计算机视觉、生物信息和文本分析中.在聚类算法中,模糊指数m对聚类结果有十分重要的影响.针对IFP-FCM算法模糊指数m被限定为2的问题,提出了一般化的改进模糊划分的FCM聚类算法GIFP-FCM.通过引入新的隶属度约束,解决了IFP-FCM算法模糊指数m的一般化问题;同时GIFP-FCM算法从Voronoi距离和竞争学习的角度对其鲁棒性和快速收敛性进行了合理解释;其次,通过引入模糊程度系数α,使得FCM算法和IFP-FCM算法分别表示为GIFP-FCM算法在α等于0和α趋于1时的特例.实验结果表明,GIFP-FCM算法较之于IFP-FCM和FCM算法具有更好的鲁棒性和参数适应性;在纹理图像分割中,GIFP-FCM也明显优于IFP-FCM和FCM算法.

引用

页码：814 / 822

页数：9

共 5 条

[1] 方向相似性聚类方法DSCM
修宇
王士同
吴锡生
胡德文
[J]. 计算机研究与发展, 2006, (08) : 1425 - 1431
[2] 对手抑制式模糊C-均值算法
魏立梅
谢维信
[J]. 电子学报, 2000, (07) : 63 - 66
[3] 模糊聚类理论发展及应用的研究进展
高新波
谢维信
[J]. 科学通报, 1999, (21) : 2241 - 2251
[4] Clustering analysis of gene expression data based on semi-supervised visual clustering algorithm
Chung, Fu-lai
Wang, Shitong
Deng, Zhaohong
Shu, Chen
Hu, D.
[J]. SOFT COMPUTING, 2006, 10 (11) : 981 - 993
[5] Improved fuzzy partitions for fuzzy regression models. Hoppner F,and Klawonn F. Journal of Approximate Reasoning . 2003

← 1 →